Osteoarthritis year in review 2025: Imaging
Notice bibliographique
Résumé
OBJECTIVE: To conduct a narrative review of selected imaging studies published in the past year, with a focus on how emerging methods and multi-tissue assessments are contributing to disease characterization, early detection, and intervention strategies. DESIGN: We conducted a comprehensive search strategy of PubMed, Embase, and CINAHL for original English-language human studies on imaging in osteoarthritis, published between March 2024 and March 2025. From the 262 full-text studies that met inclusion criteria, we identified a set of representative studies through independent review and group discussion. These studies are organized into five themes that emerged from this study: effusion-synovitis, infrapatellar fat pad, muscle, subchondral bone, and subcutaneous fat. Within each theme, one highlighted study and several additional studies were synthesized, followed by a summary of cross-cutting insights and future directions. RESULTS: A total of 26 studies were included. Collectively, the studies reinforce the importance of viewing osteoarthritis as a condition involving multiple joint structures, with inflammation as a recurring feature across tissues. Muscle quality and local adiposity emerged as consistent imaging biomarkers, while accessible tools such as ultrasound and AI-enhanced radiography demonstrated potential for scalable clinical application. Links between imaging findings and biomechanics, particularly gait and loading patterns, also featured prominently. Cross-cutting themes emphasized the value of considering multiple tissues, expanding the reach of imaging to clinical and community settings, and integrating imaging with functional measures. CONCLUSIONS: Imaging research in the osteoarthritis continues to broaden in scope and application. The studies highlighted in this review illustrate how advances in methods and metrics are improving opportunities for earlier detection, more precise assessment of symptoms, and the development of targeted, structure-informed interventions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,014 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».